Класс: ClassificationDiscripant
Перекрестный проверенный классификатор дискриминантного анализа
cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)
cvmodel = crossval(obj)obj, подобранный классификатор дискриминантного анализа. По умолчанию crossval использует 10-кратную перекрестную валидацию обучающих данных для создания cvmodel.
cvmodel = crossval(obj,Name,Value)Name,Value аргументы в виде пар.
|
Классификатор дискриминантного анализа, полученный с использованием |
Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.
|
Объект Используйте только одну из следующих опций за раз: По умолчанию: |
|
Holdout проверяет указанную долю данных и использует остальную часть данных для обучения. Задайте числовой скаляр из |
|
Количество складок для использования в перекрестном проверенном классификаторе, положительное целое значение, больше 1. Используйте только одну из следующих опций за раз: По умолчанию: 10 |
|
Установите значение Используйте только одну из следующих опций за раз: |
Создайте классификационную модель для данных радужной оболочки глаза Фишера, а затем создайте модель перекрестной валидации. Оцените качество модели с помощью kfoldLoss.
load fisheriris
obj = fitcdiscr(meas,species);
cvmodel = crossval(obj);
L = kfoldLoss(cvmodel)
L =
0.0200Оцените прогнозирующую эффективность obj на перекрестно проверенных данных с использованием «kfold» методов и свойств cvmodel, таких как kfoldLoss.
Можно создать классификатор перекрестной проверки непосредственно из данных вместо создания классификатора дискриминантного анализа, за которым следует классификатор перекрестной проверки. Для этого включите один из следующих опций в fitcdiscr: 'CrossVal', 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.
crossval | fitcdiscr | kfoldEdge | kfoldfun | kfoldLoss | kfoldMargin | kfoldPredict